Na execução de tarefas reais com dados reais, pode ser difícil entender qual algoritmo usar e se os resultados são suficientemente bons. Para determinar isso, são utilizadas várias técnicas:

1. Validação relativa de clusters, que avalia a estrutura de agrupamento variando diferentes valores de parâmetros para o mesmo algoritmo (por exemplo: variar o número de clusters k para K-means, linkage para aglomerativo, eps e min_samples para DBSCAN, etc.).
2. Validação interna e externa de cluster significa que usamos métricas internas e externas para estimar a qualidade do agrupamento.
3. Regra geral: um grupo estável deve ser preservado ao mudar o método de agrupamento. Por exemplo, se os resultados obtidos usando o método aglomerativo e o método K-means coincidirem em mais de 70%, então a suposição de estabilidade é aceita.
4. Usando métodos de reamostragem para avaliar a estabilidade da divisão de agrupamento:
   • se a divisão é estável em diferentes subamostras do conjunto de dados original.
   • se a divisão é estável após a exclusão de algumas amostras do conjunto de dados original.
   • se a divisão é estável após a mudança da ordem dos elementos.
5. Tente interpretar os resultados de agrupamento em termos da área de domínio: é possível explicar os resultados do agrupamento e existe alguma lógica neles.

Nota

No contexto de análise de dados, a área de domínio refere-se ao campo ou indústria específica a que os dados pertencem ou estão sendo utilizados. Exemplos de áreas de domínio incluem saúde, finanças, marketing, transporte e muitos outros.